共查询到19条相似文献,搜索用时 78 毫秒
1.
2.
文中针对Tetra通信系统中采用的ACELP算法,分析了该算法的基本原理,介绍了其算法基于VC++6.0的软件实现过程,重点阐述了ACELP在网络通信中的实现及应用情况。 相似文献
3.
4.
采用TI公司的TMS320VC5416芯片,设计和实现了LT编译码器。鉴于LT编译码器的数据运算量和内存使用量随编码长度的增加而快速增大,使用反馈控制信号,控制编码信号的码长;引入冗余信息处理程序,剔除编码信号中冗余,提高译码效率;建立度邻接信号表的位置系数储存机制,合理利用DSP芯片片上内存资源。 相似文献
5.
6.
介绍了利用DirectX开发库和声卡实时采集4路声音信号的方法。该方法通过合理设置捕获缓冲区和调度多线程工作充分发挥硬件的性能,可以在Windows环境下实现多路声音信号的实时采集。 相似文献
7.
本文介绍了Turbo乘积码的基本原理和利用Cyclic-2 PML(循环2伪最大似然)来实现Turbo乘积码的译码的算法,利用AHA公司的AHA4501评估软件仿真给出了(64,57)×(64,57)Turbo乘积码的纠错性能,并给出了AHA公司的Turbo乘积码编译码芯片4501实现的Turbo乘积码编译码的电路设计. 相似文献
8.
采用美国国家仪器(NI)公司开发的LabVIEW图形化编程软件,结合计算机声卡,设计了一个语音信号的采集和处理系统。通过LabVIEW相应的声音读取、写入和存储函数,实现了对声音的采集、读取和保存。采集到的语音信号经由信号处理VI函数,进行频谱、谐波失真等分析。在系统中,可以对语音信号进行较完整的分析。进而得到信号的功率谱、幅度谱、相位谱、谐波信号数据和失真参数。而且通过友好的交互界面——前面板,可以灵活地控制系统功能的实现,得到实时的分析数据。 相似文献
9.
10.
11.
12.
13.
本文论述了一款双声道语音录制系统的组成及开发过程,该系统利用LabVIEW进行设计,采用计算机声卡代替专用数据采集卡,实现语音信号的录制、显示、存储等功能,具有广阔的应用前景。 相似文献
14.
15.
运用虚拟仪器替代传统实验设备,不但能节省实验器材资源、降低实验室建设成本,而且可为学生提供一个更加方便的实验平台,提高老师的教学质量、实现设备资源的共享.在LabVIEW平台上设计开发了以PC机普通声卡作为数据采集设备进行音频信号采集分析的虚拟实验系统,具有信号采集、分析、波形显示、存储以及数据文件再调用分析等功能.与传统仪器相比,打破了以往由教学仪器限定实验的模式,具有一定的实用性和可靠性. 相似文献
16.
17.
ITU-T.G.723.1为国际电信联盟(ITU)制定的5·3bit/s和6.3kbit/s双速率语音编码建议,分别采用代数码激励线性预测(ACELP)算法和多脉冲最大似然量化(MP-MLQ)算法。在阐述G.723.1建议编译码算法的原理和实现的基础上,重点介绍了在开发基于TMS320VC5409实时实现该建议的全双工编译器过程中所做的工作。该语音编译码器通过了G.723.1所有测试矢量的验证。 相似文献
18.
基于FPGA的卷积编译码器的设计与实现 总被引:1,自引:0,他引:1
为了解决传统的维特比译码器结构复杂、译码速度慢、消耗资源大的问题,提出一种新型的适用于FPGA特点,路径存储与译码输出并行工作,同步存储路径矢量和状态矢量的译码器设计方案.该设计方案通过在ISE9.2i中仿真验证,译码结果正确,得到编码前的原始码元,速度显著提高,译码器复杂程度明显降低.并在实际的软件无线电通信系统中信道编解码部分得到应用,性能优良. 相似文献
19.
Sandeep Kumar 《ETRI Journal》2021,43(1):82-94
In this work, six voiced/unvoiced speech classifiers based on the autocorrelation function (ACF), average magnitude difference function (AMDF), cepstrum, weighted ACF (WACF), zero crossing rate and energy of the signal (ZCR-E), and neural networks (NNs) have been simulated and implemented in real time using the TMS320C6713 DSP starter kit. These speech classifiers have been integrated into a linear-predictive-coding-based speech analysis-synthesis system and their performance has been compared in terms of the percentage of the voiced/unvoiced classification accuracy, speech quality, and computation time. The results of the percentage of the voiced/unvoiced classification accuracy and speech quality show that the NN-based speech classifier performs better than the ACF-, AMDF-, cepstrum-, WACF- and ZCR-E-based speech classifiers for both clean and noisy environments. The computation time results show that the AMDF-based speech classifier is computationally simple, and thus its computation time is less than that of other speech classifiers, while that of the NN-based speech classifier is greater compared with other classifiers. 相似文献